Las manzanas son uno de los productos agrícolas más importantes a nivel mundial. Asegurar la calidad de las manzanas con un esfuerzo mínimo es crucial tanto para productores a gran escala como locales. En México, la detección manual de manzanas dañadas ha llevado a inconsistencias en la calidad del producto, un problema que puede resolverse integrando sistemas de visión con algoritmos de aprendizaje automático. La red neuronal YOLO (You Only Look Once) ha mejorado significativamente la detección de frutas a través del procesamiento de imágenes y ha automatizado varias tareas relacionadas. Sin embargo, el entrenamiento e implementación de modelos YOLO generalmente requiere recursos computacionales sustanciales, por lo que es esencial desarrollar sistemas de detección ligeros y rentables, especialmente para sistemas de cómputo en el borde. Este documento presenta un sistema mecatrónico diseñado para detectar variedades de manzanas y posibles daños en las manzanas dentro del espectro visible. Las variedades de manzanas cultivadas consideradas fueron Gala, Golden, Granny Smith y Red Delicious. Nuestra contribución radica en el desarrollo de una arquitectura de red neuronal ligera optimizada específicamente para sistemas integrados. La arquitectura propuesta se comparó con YOLOv3-Tiny, YOLOv4-Tiny y YOLOv5-s. Nuestro modelo optimizado logró una alta precisión y sensibilidad (94-99%) y se implementó con éxito en una placa Jetson Xavier NX, donde alcanzó una velocidad de procesamiento de 37 FPS.